Core Concepts
SiGNN은 스파이킹 신경망과 그래프 신경망을 효과적으로 통합하여 동적 그래프의 시간 변화 패턴을 포착하고 향상된 노드 표현을 학습한다.
Abstract
이 논문은 동적 그래프 표현 학습을 위한 새로운 프레임워크인 SiGNN을 제안한다. SiGNN은 스파이킹 신경망(SNN)과 그래프 신경망(GNN)을 조화롭게 통합하여 동적 그래프의 시공간적 특성을 효과적으로 학습한다.
구체적으로:
시간 활성화(TA) 메커니즘을 도입하여 SNN의 시간 동역학을 GNN에 효과적으로 결합한다. TA 메커니즘은 스파이크 신호를 특징 전파를 조절하는 활성화 신호로 활용하여 특징 표현의 제한을 극복한다.
다중 시간 척도(MTG) 분석을 통해 동적 그래프의 다양한 시간 해상도에서의 진화 패턴을 포착한다. 이를 통해 노드 표현에 시간 변화 정보를 풍부하게 반영한다.
양방향 LIF(BLIF) 뉴런 모델을 제안하여 SNN의 시간 동역학 모델링 능력을 향상시킨다.
실험 결과, SiGNN은 다양한 실세계 동적 그래프 데이터셋에서 노드 분류 작업에서 우수한 성능을 보였다. 이는 SiGNN이 동적 그래프의 시공간적 특성을 효과적으로 학습할 수 있음을 입증한다.
Stats
동적 그래프 데이터셋의 노드 수, 간선 수, 클래스 수, 시간 단계 수는 각각 다음과 같다:
DBLP: 28,085 노드, 236,894 간선, 10 클래스, 27 시간 단계
Tmall: 577,314 노드, 4,807,545 간선, 5 클래스, 186 시간 단계
Patent: 2,738,012 노드, 13,960,811 간선, 6 클래스, 25 시간 단계
Quotes
"SiGNN not only effectively exploits the temporal dynamics of SNNs but also adeptly circumvents the representational constraints imposed by the binary nature of spikes."
"To comprehensively capture the temporal evolution of dynamic graphs, our SiGNN implementation incorporates analyses at various time granularities, enabling the learning of node representations enriched with insights spanning multiple temporal scales."